4.1機器學(xué)習(xí)概述1.機器學(xué)習(xí)解決的問題2.機器學(xué)習(xí)所需的基礎(chǔ)3.機器學(xué)習(xí)的概念4.機器學(xué)習(xí)的發(fā)展歷程5.機器學(xué)習(xí)的評估指標(biāo)1.機器學(xué)習(xí)解決的問題基于數(shù)據(jù)和模式識別，處理多種類型的任務(wù)，涵蓋分類、預(yù)測、聚類等場景。分類問題定義：將數(shù)據(jù)點分配到預(yù)定義類別中。示例：垃圾郵件檢測（“垃圾郵件”/“正常郵件”）?；貧w問題定義：通過特征與目標(biāo)變量的關(guān)系，預(yù)測新數(shù)據(jù)的輸出值（連續(xù)值）。示例：房價預(yù)測（根據(jù)面積、位置等特征預(yù)測房價）。聚類問題定義：將數(shù)據(jù)分組為相似子集，無需預(yù)先定義類別。示例：客戶細分（根據(jù)購買行為劃分客戶群體）。異常檢測定義：識別不符合一般模式的數(shù)據(jù)點。示例：信用卡欺詐檢測（識別可疑交易）。推薦系統(tǒng)定義：根據(jù)用戶歷史行為和偏好推薦產(chǎn)品/服務(wù)。示例：Netflix電影推薦、Amazon商品推薦。序列預(yù)測定義：預(yù)測時間序列數(shù)據(jù)中的未來值。示例：天氣預(yù)測、股票價格預(yù)測。2.機器學(xué)習(xí)所需的基礎(chǔ)數(shù)學(xué)基礎(chǔ)線性代數(shù)：矩陣運算、向量空間等。概率論與統(tǒng)計：概率分布、期望值、方差、假設(shè)檢驗等。微積分：函數(shù)導(dǎo)數(shù)、優(yōu)化問題。技能要求編程：Python/R/Java，及相關(guān)庫（scikit-learn、TensorFlow、PyTorch）。數(shù)據(jù)預(yù)處理：清洗、變換、特征工程、可視化。理論基礎(chǔ)：監(jiān)督/無監(jiān)督學(xué)習(xí)、過擬合/欠擬合、模型評估等。3.機器學(xué)習(xí)的概念什么是機器學(xué)習(xí)？通俗理解：讓計算機通過分析數(shù)據(jù)自主學(xué)習(xí)和改進，而非依賴人工編寫的固定規(guī)則。類比：教孩子觀察思考以解決問題，而非直接給出答案。示例：識別貓和狗的圖片不編寫區(qū)分規(guī)則，而是通過大量標(biāo)注好的圖片，讓計算機自主學(xué)習(xí)“貓”和“狗”的特征。3機器學(xué)習(xí)的概念專業(yè)定義：人工智能的一個分支，通過算法和統(tǒng)計模型，使計算機從數(shù)據(jù)中自動學(xué)習(xí)并提升性能，核心是“自主建立模型以解決新問題”。TomM.Mitchell的定義：“一個計算機程序在完成某類任務(wù)T時，如果它的性能P在經(jīng)驗E的基礎(chǔ)上有所提高，那么我們就說它從這些經(jīng)驗中學(xué)習(xí)?！焙诵囊兀喝蝿?wù)（T）、性能（P）、經(jīng)驗（E）。4.機器學(xué)習(xí)的發(fā)展歷程從理論到應(yīng)用：機器學(xué)習(xí)的演進早期探索（20世紀(jì)40-50年代）1943年：McCulloch和Pitts提出首個神經(jīng)網(wǎng)絡(luò)模型。1950年：圖靈提出“圖靈測試”，探討機器智能。1957年：Rosenblatt發(fā)明感知機（最早的神經(jīng)網(wǎng)絡(luò)之一）。符號主義與專家系統(tǒng)（60-80年代）主導(dǎo)方法：邏輯推理和規(guī)則系統(tǒng)（人工編寫規(guī)則）。局限：處理復(fù)雜、模糊問題能力差。4.機器學(xué)習(xí)的發(fā)展歷程統(tǒng)計學(xué)習(xí)與復(fù)興（80年代末-21世紀(jì)初）1986年：Hinton等人提出反向傳播算法，推動多層神經(jīng)網(wǎng)絡(luò)訓(xùn)練。1995年：Vapnik和Cortes提出支持向量機（SVM），成為主流分類算法。趨勢：從符號主義轉(zhuǎn)向“數(shù)據(jù)驅(qū)動”。深度學(xué)習(xí)革命（21世紀(jì)初至今）2006年：Hinton等人提出深度信念網(wǎng)絡(luò)（DBN），開啟深度學(xué)習(xí)時代。2012年：AlexNet在ImageNet競賽中突破，推動深度學(xué)習(xí)在計算機視覺的應(yīng)用。4.機器學(xué)習(xí)的發(fā)展歷程5現(xiàn)代發(fā)展（近年）2016年：AlphaGo擊敗圍棋世界冠軍，展示強化學(xué)習(xí)的潛力。2018年：BERT模型提升自然語言處理性能。現(xiàn)狀：強化學(xué)習(xí)、GAN、Transformer等模型興起，廣泛應(yīng)用于醫(yī)療、金融、自動駕駛等領(lǐng)域。5.評估指標(biāo)（基礎(chǔ)概念）如何評估模型性能？——基礎(chǔ)術(shù)語TP（TruePositive）：真正例，正確預(yù)測為正例的數(shù)量。TN（TrueNegative）：真負(fù)例，正確預(yù)測為負(fù)例的數(shù)量。FP（FalsePositive）：假正例，錯誤預(yù)測為正例的數(shù)量。FN（FalseNegative）：假負(fù)例，錯誤預(yù)測為負(fù)例的數(shù)量。5.評估指標(biāo)（分類任務(wù)1）1.準(zhǔn)確率準(zhǔn)確率(Accuracy)是指模型正確預(yù)測的樣本數(shù)占總樣本數(shù)的比例,表達式為2.精確率（Precision）定義：預(yù)測為正例的樣本中，實際為正例的比例（“預(yù)測正例的可靠性”）。3.召回率（Recall）定義：實際為正例的樣本中，被正確預(yù)測的比例（“正例的覆蓋能力”）。4.F1值F1值(F1Score)是精確率和召回率的調(diào)和平均數(shù),適用于不均衡數(shù)據(jù)的情況，表達式為5.評估指標(biāo)（ROC曲線與AUC）ROC曲線：以假正率（FPR）為橫軸，真正率（TPR，即召回率）為縱軸的曲線。AUC（AreaUnderCurve）：定義：ROC曲線下的面積，衡量模型整體性能。取值：越